Estudios de incrementalidad: cómo medir el impacto real de cada dólar

Por qué el ROAS de la plataforma no responde esta pregunta

El ROAS y el CPA que ves en Google Ads no están mal calculados. Están respondiendo otra pregunta. Cuentan las conversiones que tocaron un anuncio, sin poder distinguir si el anuncio las causó. Tres mecanismos hacen que ese número se infle de forma sistemática:

• Cosecha de demanda existente. Alguien que ya decidió comprarte busca tu marca, hace clic en tu anuncio y convierte. La venta aparece como generada por la campaña, pero iba a ocurrir con anuncio o sin él. Es el punto ciego clásico de las campañas de marca y de buena parte del inventario de Performance Max.
• Canibalización entre canales. Si el mismo usuario ve display, busca la marca y entra por orgánico, varias superficies se anotan participación en una conversión que es una sola. La atribución cross-channel mejora el reparto, pero repartir mejor el crédito de una conversión no dice si esa conversión es incremental.
• Sesgo de selección del targeting. Los sistemas automatizados son buenos encontrando a quien tiene más probabilidad de convertir. Eso mejora los números reportados aunque el anuncio no cambie la decisión de nadie: el algoritmo eligió bien a quién mostrarle, no necesariamente convenció.

La consecuencia práctica es que el ROAS reportado y el ROAS incremental casi nunca coinciden, y la brecha entre ambos no es un error a corregir: es exactamente lo que un experimento viene a cuantificar.

Qué mide un estudio de incrementalidad

La lógica es la de un ensayo controlado. Divides tu universo en dos grupos estadísticamente equivalentes:

• Un grupo de tratamiento, que sí recibe la publicidad.
• Un grupo de control, que no la recibe.

Si los grupos son comparables, cualquier diferencia sistemática en conversiones entre ellos sólo puede explicarse por la publicidad. Esa diferencia es el lift, y expresada en unidades de negocio son las conversiones incrementales.

Lo que hace fuerte al método es que no estima ni reparte nada: observa dos mundos casi idénticos, uno con anuncios y otro sin ellos. Por eso los experimentos son el patrón de referencia contra el que se calibran los otros métodos de medición, tema que desarrollamos en MMM vs. atribución.

Los cuatro diseños que vas a encontrar

“Estudio de incrementalidad” no es un solo procedimiento. La forma de armar el grupo de control define qué puedes medir, cuánto cuesta y qué tan creíble es el resultado.

Una advertencia que vale para todo el cuadro antes de seguir: go dark y heavy up no son comparaciones de antes y después. Apagar un canal en marzo y compararlo contra febrero no mide incrementalidad, mide la diferencia entre marzo y febrero, con su estacionalidad, sus promociones y todo lo que cambió alrededor. Los cuatro diseños necesitan un control concurrente: un grupo que, durante la misma ventana de tiempo, recibe un tratamiento distinto. Sin eso no hay contrafactual, hay una anécdota con fechas.

Dos observaciones más que suelen definir la elección. La primera: si una parte relevante de tus ventas ocurre fuera del sitio —sucursal, teléfono, cierre comercial— el diseño geográfico es prácticamente el único que las captura, y por eso es el que mejor funciona en la mayoría de las operaciones de LatAm. La segunda: si la pregunta no es “¿este canal sirve?” sino “¿me conviene poner más?”, el diseño correcto es heavy up, no un holdout. Son preguntas distintas y confundirlas produce estudios caros que no responden lo que el negocio necesitaba.

En el ecosistema de Google, estos diseños se implementan principalmente a través de Conversion Lift y de experimentos geográficos. El anuncio del 10 de septiembre de 2026 indica que Meridian GeoX tiene disponibilidad general global en Meridian; la beta mencionada por Google pertenece a una etapa anterior. Eso describe la disponibilidad general anunciada, no confirma una habilitación concreta para una cuenta ni agrega un flujo operativo que la documentación no publique. El detalle de producto —los dos tipos de Conversion Lift, la herramienta de factibilidad, Meridian GeoX y cómo sus resultados calibran un MMM— está desarrollado en la guía de Conversion Lift y GeoX.

Decide qué inversión realmente genera ventas adicionales

Diseñamos una lectura de incrementalidad que te ayude a reasignar presupuesto con evidencia, no con atribución de último click.

• 1

  Diagnóstico gratuito de tu stack GMP

  Un especialista revisa tu implementación actual (GA4, GTM, DV360, Ads) y te dice qué priorizar primero.

• 2

  Plan de acción a medida

  Sales de la llamada con next steps concretos para tu cuenta, no con una plantilla genérica.

• 3

  Sin compromiso, sin venta forzada

  Hablas con un especialista técnico, no con un vendedor. Si no encajamos, te lo decimos.

GMP Sales Partner · Implementamos GMP end-to-end · Equipo LatAm

Respuesta a la brevedad

Diseñar mi estudio de incrementalidad

Completa el form y coordinamos una asesoría sobre tu caso.

Cargando el formulario seguro de HubSpot…

Este formulario lo provee HubSpot y los datos que envíes se procesan allí. Consulta nuestra política de privacidad .

Sin compromiso · Google Marketing Platform Sales Partner

Data Strength Uplift no es un experimento

El anuncio público de Google del 10 de septiembre de 2026 presentó Data Strength Uplift como una métrica que calcula las conversiones adicionales recuperadas por una configuración de datos propios. Ese resultado no compara un grupo de tratamiento con un grupo de control, así que no es una prueba de causalidad, no es ROI ni iROAS y no sustituye un estudio de incrementalidad. Tampoco debe confundirse con nuestro Data Strength Score: son conceptos distintos.

El anuncio describe la métrica a nivel de producto, pero no documenta elegibilidad ni una habilitación para cada cuenta. Por eso no inferimos que aparezca en una cuenta concreta, ni convertimos su cifra en una promesa de resultado. La explicación editorial y las notas públicas están en Data Strength: novedades 2026.

Cómo se hace, paso a paso

1. Escribe la decisión, no la pregunta

Antes de diseñar nada, define qué vas a hacer distinto según el resultado. “Queremos saber si YouTube funciona” no es un punto de partida válido; “si el iROAS de YouTube es menor a 1,5x movemos ese presupuesto a Search” sí lo es. Un experimento sin una decisión asociada es gasto, no medición.

2. Elige una sola métrica primaria

Una métrica primaria, definida antes de arrancar. Si el estudio mide ventas, se lee ventas. Revisar diez métricas y quedarse con la que dio bien es la forma más común de auto-engaño en experimentación: con suficientes métricas, alguna siempre da significativa por azar.

3. Calcula la potencia antes de gastar

La potencia estadística determina si el experimento va a poder detectar el efecto que buscas. Depende del volumen de conversiones, del tamaño del efecto esperado, del porcentaje de control y de la duración. Google expone esto en la configuración de Conversion Lift mediante una herramienta de factibilidad que estima la certeza del resultado y sugiere presupuesto para alcanzarla.

Este paso es el filtro de realidad: si el cálculo dice que no tienes volumen para detectar el efecto, el estudio no se corrige con voluntad. Se pospone, se agranda la ventana o se cambia el diseño.

4. Arma los grupos y verifica que sean comparables

En un diseño geográfico esto significa emparejar regiones por comportamiento histórico, no por tamaño o cercanía. Dos ciudades del mismo tamaño pueden tener estacionalidades opuestas. La práctica estándar es validar el emparejamiento contra datos previos al experimento: si en el período anterior los grupos ya se movían distinto, el diseño está roto antes de empezar.

5. Congela todo lo demás

Durante la ventana del experimento no se tocan pujas, creatividades, presupuestos ni audiencias fuera de lo que define el tratamiento. Tampoco se lanza una promoción sólo en algunas regiones. Cada cambio no controlado introduce una explicación alternativa al resultado y le quita valor a la conclusión.

6. Espera la ventana completa

Incluye el rezago de conversión: si tu ciclo de compra es de tres semanas, la medición tiene que extenderse más allá del período de exposición. Cortar cuando el resultado “ya se ve” convierte un experimento en una anécdota.

7. Lee el resultado con su intervalo

El número puntual importa menos que su rango. Un lift de 12% con intervalo de 2% a 22% y uno de 12% con intervalo de −5% a 29% son resultados distintos: el segundo no permite descartar que el efecto sea nulo. Y un resultado no significativo no equivale a efecto cero: quiere decir que no pudiste descartar el cero. Cuál de las dos cosas pasó lo define el intervalo. Si es estrecho y está pegado a cero, tienes evidencia razonable de que el efecto, si existe, es menor al umbral que te importaba. Si es ancho, el experimento no tuvo potencia y no concluye nada.

Cómo leer el impacto de cada dólar

Acá es donde el estudio deja de ser un ejercicio estadístico y se convierte en una decisión de negocio. El experimento devuelve tres capas de lectura.

Lift absoluto y relativo

El lift absoluto son las conversiones incrementales: cuántas conversiones adicionales generó la campaña. El lift relativo es esa cifra como porcentaje de la base del grupo de control. El absoluto sirve para calcular dinero; el relativo, para comparar entre estudios de distinta escala.

iCPA e iROAS: el costo y el retorno reales

Sobre las conversiones incrementales se recalculan las dos métricas que ya usas:

• iCPA = inversión ÷ conversiones incrementales
• iROAS = ingreso incremental ÷ inversión

Un ejemplo numérico ilustrativo —no es un caso real, es aritmética para mostrar la mecánica— deja ver el salto. Una campaña reporta 1.000 conversiones con una inversión de 50.000 dólares y un ticket promedio de 200:

Las 620 conversiones de diferencia no desaparecieron: siguen ocurriendo. Simplemente iban a ocurrir igual, y por lo tanto no las compró esta campaña. El mismo presupuesto pasó de parecer un retorno de 4x a uno de 1,5x sin que cambiara nada en la operación, sólo la vara con la que se mide.

Retorno marginal: la métrica que decide el presupuesto

Y todavía falta el paso más importante. El iROAS de 1,5x del ejemplo es un promedio sobre toda la inversión. Ninguna decisión de presupuesto se toma sobre el promedio, porque los canales tienen rendimientos decrecientes: los primeros dólares compran a la audiencia más receptiva y los últimos persiguen a quien ya vio el anuncio seis veces.

Lo que importa es el retorno marginal: cuánto rinde el próximo dólar. Una campaña puede tener un iROAS promedio de 1,5x y, en su último tramo de inversión, estar rindiendo 0,8x —es decir, perdiendo dinero en el margen mientras el promedio sigue viéndose sano. La documentación de Meridian formaliza esta distinción como ROI y mROI sobre curvas de respuesta, y es la razón por la que los experimentos de tipo heavy up son tan útiles: miden directamente el tramo adicional, que es sobre el que vas a decidir.

Con una salvedad de cálculo que se pasa por alto seguido: en un heavy up, el retorno del tramo se obtiene dividiendo el resultado incremental sobre la inversión incremental —la diferencia de gasto entre el grupo tratado y el de control—, nunca sobre la inversión total del grupo tratado. Usar el total mezcla el tramo nuevo con el que ya venía corriendo y devuelve un número que no es ni el promedio ni el marginal.

La regla práctica: el iROAS promedio te dice si el canal se justifica; el retorno marginal te dice si conviene subirle o bajarle el presupuesto.

Y falta una pieza para cerrar el círculo: el umbral contra el que comparas no es 1x. Un iROAS de 1,5x sobre ingreso bruto puede ser una pérdida si tu margen de contribución es del 40%, porque cada dólar de ingreso incremental deja apenas 40 centavos. El punto de equilibrio real sale de tu margen y, si vendes por suscripción o con recompra, del valor de vida del cliente en lugar del primer ticket. Define ese umbral antes de leer el experimento: es lo que convierte un número estadístico en una decisión de negocio. Cómo se lleva esto al reparto entre todos los canales está en presupuestos con datos y, cuando entra el mix completo incluyendo offline, en Meridian.

Los errores que invalidan un estudio

La mayoría de los experimentos fallidos no fallan por el análisis, sino por el diseño o por la ejecución:

• Contaminación entre grupos. Un usuario del control expuesto por otro canal, o una región de control que recibe derrame de una campaña nacional, achica el efecto medido hasta hacerlo desaparecer.
• Control demasiado chico. Un holdout mínimo protege ventas de corto plazo y, a la vez, garantiza que el resultado no alcance significancia. Es la forma más frecuente de gastar en un estudio que no va a concluir nada.
• Cambios a mitad de camino. Subir el presupuesto porque el tratamiento va bien destruye la comparabilidad y el experimento deja de medir lo que decía medir.
• Leer mal un resultado no significativo. El error tiene dos caras: tomarlo como prueba de que el efecto es cero, o descartarlo como si no dijera nada. Cuál de las dos aplica depende del intervalo y del efecto mínimo relevante que definiste antes de arrancar; sin esa referencia se apagan canales que funcionaban.
• Base de medición floja. Si las conversiones están mal contadas, el experimento mide con precisión un dato equivocado. Conviene revisar el estado del tagging con la auditoría de tagging y Consent Mode y reforzar la señal con enhanced conversions antes de invertir en un estudio.

Qué necesitas antes de pedir uno

Tres condiciones, y las tres son previas al experimento:

1. Volumen de conversiones suficiente para que el cálculo de potencia cierre en la ventana que puedes sostener.
2. Medición confiable, porque el estudio hereda la calidad de tu tagging. Puedes dimensionarla con el GA4 Data Strength Score, entender qué la compone en qué es Data Strength y distinguirlo del Data Strength Uplift anunciado en 2026.
3. Una decisión de presupuesto esperando el resultado. Sin eso, el mejor experimento del mundo termina en una presentación que nadie ejecuta.

Si alguna de las tres falta, el orden correcto es resolverla primero. Un estudio de incrementalidad sobre una base de medición rota es dinero invertido en confirmar un error con más decimales.

Cómo lo trabajamos en Leadaki

Diseñar un experimento con potencia real, emparejar regiones que de verdad sean comparables, sostener la disciplina de no tocar nada durante la ventana y traducir el resultado en una decisión de presupuesto es un trabajo donde los detalles definen si el número final es evidencia o ruido.

Somos Google Premier Partner y una de las pocas agencias de LatAm acreditadas como Google Marketing Platform Sales Partner, y acompañamos ese proceso completo dentro de nuestro servicio de analítica y medición avanzada:

• Diagnóstico de factibilidad. Antes de proponer un estudio revisamos si tu volumen y tu calidad de señal lo soportan. Si no dan, lo decimos y empezamos por ahí.
• Diseño del experimento. Elección del tipo según la pregunta de negocio, definición de la métrica primaria, cálculo de potencia y armado de grupos validados contra historia.
• Ejecución y control. Coordinación con tu equipo de medios para sostener las condiciones del experimento y detectar contaminación mientras corre, no después.
• Lectura económica. Traducción del lift a iCPA, iROAS y retorno marginal, con el intervalo de confianza a la vista y una recomendación explícita de qué hacer con el presupuesto.
• Continuidad. Los resultados no quedan en un informe: se usan para calibrar el modelo de medición y como línea de base del próximo ciclo.

Lo que no vamos a hacer es prometerte un número de lift antes de medirlo. Un estudio que sabe su resultado de antemano no es un estudio.

Siguiente paso

Si estás invirtiendo lo suficiente como para que la pregunta “¿esto es incremental?” cambie decisiones reales, el próximo movimiento no es contratar un estudio: es verificar si tu cuenta está en condiciones de dar un resultado confiable.

Eso es lo que revisamos en una primera conversación —volumen, calidad de señal, qué diseño aplica a tu caso y si el momento es el adecuado—, sin costo y sin compromiso de avanzar. Si quieres poner tu inversión bajo esa lupa, escríbenos y lo miramos juntos.